Компания IonQ протестировала квантовую модель на реальных спутниковых снимках и получила результат лучше двух классических алгоритмов в одном из самых сложных тестов. Система выявляла изменения поверхности Земли по радиолокационным изображениям высокого разрешения. Часть вычислений исследователи выполнили на настоящем квантовом процессоре, а не только в симуляторе.

В эксперименте использовались снимки, полученные радиолокатором с синтезированной апертурой. Спутник направляет радиосигнал на землю и записывает отражение, поэтому облака и темнота почти не влияют на качество съёмки. Сравнивая снимки одной территории из разных временных периодов, можно обнаружить последствия стихийных бедствий, строительство, перемещение грунта и прочие изменения.

Высокое разрешение таких снимков создаёт проблему: алгоритму трудно автоматически сравнивать изображения. Радиолокационный сигнал генерирует множество перепадов яркости, которые сами по себе не указывают на произошедшие изменения. Алгоритму нужно отличить действительные перемены от обычных колебаний сигнала, но иногда данных для этого недостаточно.

Стандартный подход — предварительно сглаживать изображения, убирая помехи и упрощая анализ. Беда в том, что вместе с шумом исчезают мелкие детали. Исследователи опробовали другую схему: поручили квантовой модели изучить распределение значений пикселей на двух снимках, а затем создать дополнительные данные с похожими свойствами.

В основе метода — квантовая машина Борна, генеративная модель, которая учится воспроизводить распределение исходных данных. Синтетические выборки помогают алгоритму понять, какие различия между снимками являются нормальными колебаниями сигнала, а какие похожи на реальные изменения поверхности.

Наиболее значительная разница проявилась на снимках территории Сан-Диего с разрешением 1,2 м. На необработанных изображениях квантовая модель в симуляторе получила F1-меру 0,30, тогда как два классических метода показали 0,14 и 0,20. После сглаживания результаты составили 0,41, 0,16 и 0,24 соответственно.

Исследователи также запустили вычисления на реальном квантовом процессоре IonQ с захваченными ионами. Лучший результат составил 0,32 против 0,16 и 0,24 у классических методов. Физический квантовый компьютер отстал от идеального симулятора, но всё же сохранил преимущество в этом тесте.

Однако рано говорить о превосходстве квантовых компьютеров в анализе спутниковых снимков. Когда исследователи предварительно преобразовали данные так, чтобы классическим статистическим алгоритмам было удобнее их обрабатывать, различие почти исчезло. В одном из тестов все три метода получили F1-меру около 0,55–0,56.

Аналогичный результат наблюдался на снимках извержения вулкана Питон-де-ла-Фурнез на острове Реюньон. Максимальные показатели квантовой и классических моделей оказались близки и достигли 0,66. Квантовый вариант выделялся лишь стабильностью — он сохранял качество при более широком диапазоне настроек алгоритма.

Авторы связывают наилучший результат с обработкой сложных данных, которые плохо укладываются в обычные статистические модели. Квантовая генеративная модель может быть полезна именно там, где наблюдений мало, значения распределены неравномерно, а предварительное сглаживание уничтожило бы нужные детали.

Исследование опубликовано как препринт и охватывает только два типа спутниковых данных. Квантовую модель сравнивали всего с двумя классическими методами, а не со всеми современными алгоритмами машинного обучения. Работа демонстрирует перспективный сценарий применения квантового процессора, но не доказывает его общее преимущество над обычными компьютерами.